혁신적인 다중 모달 순차 추천 모델 HM4SR 등장: 사용자 관심사의 시간적 변화까지 포착

Zhang Shengzhe 등 연구진이 개발한 HM4SR은 다중 모달 순차 추천 시스템의 한계를 극복하고, 시간에 따른 사용자 관심사 변화까지 고려하여 더욱 정확한 추천을 제공하는 혁신적인 모델입니다. 계층적 MoE 구조와 다중 작업 학습 전략, 그리고 세 가지 보조 감독 작업을 통해 높은 성능을 달성하였으며, 향후 추천 시스템 발전에 크게 기여할 것으로 예상됩니다.

끊임없이 변화하는 사용자의 마음을 읽다: 혁신적인 다중 모달 순차 추천 모델 HM4SR

온라인 서비스의 발전과 함께 사용자의 취향을 예측하고 개인 맞춤형 콘텐츠를 추천하는 기술의 중요성이 날로 커지고 있습니다. 특히, 다양한 형태의 데이터(텍스트, 이미지, 비디오 등)를 활용하는 다중 모달 순차 추천(Multi-modal Sequential Recommendation, SR)은 사용자의 관심사를 보다 정확하게 이해하고 예측하기 위한 핵심 기술로 자리매김하고 있습니다.

하지만 기존의 다중 모달 SR 방법들은 풍부한 데이터 속에 숨겨진 무관한 정보의 간섭과 시간에 따른 사용자 관심사의 변화를 정확히 반영하지 못하는 한계를 가지고 있었습니다. 이러한 문제점을 해결하기 위해, Zhang Shengzhe 등 연구진은 계층적 시간 인식 전문가 혼합 모델(Hierarchical time-aware Mixture of Experts for multi-modal Sequential Recommendation, HM4SR)을 제안했습니다.

HM4SR: 두 개의 전문가 혼합(MoE)과 다중 작업 학습의 조화

HM4SR은 크게 두 가지 MoE를 사용합니다. 첫 번째 MoE인 'Interactive MoE'는 각 아이템의 다중 모달 데이터에서 사용자의 관심과 관련된 핵심 정보를 추출합니다. 두 번째 MoE인 'Temporal MoE'는 시간 정보를 명시적으로 활용하여 사용자의 동적 관심사를 포착합니다. 단순한 시간 순서가 아닌, 각 시간 정보를 임베딩하여 사용자 관심사의 변화를 더욱 정교하게 파악하는 것이 핵심입니다.

데이터 부족 문제를 해결하기 위해, 연구진은 세 가지 보조적인 감독 작업을 도입했습니다. 아이템 특징 이해를 위한 시퀀스 수준 범주 예측(CP), 사용자 관심사와 시퀀스 맥락을 정렬하기 위한 ID 대조 학습(IDCL), 그리고 시간 정보와 모달 정보를 통합하여 동적 관심사 모델링을 위한 자리 표시자 대조 학습(PCL)입니다. 이러한 다층적인 접근 방식을 통해 HM4SR은 기존 모델보다 훨씬 향상된 추천 성능을 보여주었습니다.

4개의 공개 데이터셋 실험 결과: HM4SR의 우수성 입증

HM4SR의 성능은 4개의 공개 데이터셋을 사용한 광범위한 실험을 통해 검증되었습니다. 그 결과, HM4SR은 여러 최첨단 접근 방식에 비해 뛰어난 성능을 보임으로써, 다중 모달 순차 추천 분야에서 새로운 가능성을 제시했습니다. 시간 정보를 효과적으로 활용하여 사용자의 동적 관심사를 정확하게 반영하고, 다양한 보조 학습 전략을 통해 데이터 부족 문제까지 해결한 HM4SR은 추천 시스템 발전에 중요한 기여를 할 것으로 기대됩니다.

이 연구는 단순히 새로운 알고리즘을 제시하는 것을 넘어, 다중 모달 데이터의 효율적인 활용과 시간적 정보의 중요성을 강조함으로써, 추천 시스템 연구의 새로운 방향을 제시하는 의미있는 성과라고 할 수 있습니다.